中兴通讯
AI测试与系统优化架构资深专家
AI测试与系统优化架构资深专家
发布于 2 天前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Ci
Cuda
Pytorch
Tensorflow
大模型推理
性能优化
深度学习
算子优化
自动化测试
AI 估算 · 40k–70k
AI系统资深专家，上市巨头，技能稀缺，薪资竞争力强，月薪40k-70k。
职位详情
关于这个职位
负责AI系统全栈性能评测体系设计与瓶颈诊断优化，涵盖应用层、算子层及训练场景，牵头框架/算子优化并建设自动化测试平台
需要深厚的AI系统开发与性能优化经验，适合资深技术专家
最低要求
学历与经验
(1)硕士及以上学历，计算机、人工智能、软件工程等相关专业，8年以上工作经验
(2)5年及以上AI系统开发、性能优化或深度基准测试经验
(3)有MLPerf等基准测试工具深度使用经验，或具备自研测试平台/工具链实践经验者优先
核心技术能力
(1)编程与开发基础：精通Python/C++，具备优秀的代码能力和系统调试能力
(2)框架开发与优化经验：熟悉PyTorch/TensorFlow等至少一种主流AI框架的架构与内部机制，有框架层性能调优或模块开发经验者优先
(3)算子开发与优化经验：具备AI算子开发、内核优化经验，熟悉CUDA等编程模型，有算子级性能调优项目经验者优先
(4)性能分析与诊断能力：深入理解计算机体系结构，具备全栈性能瓶颈的定位与分析能力
工程与实践能力
(1)具备出色的项目推动力、跨团队协作能力和技术文档撰写能力
(2)逻辑严谨，自驱力强，能够主动跟进AI领域的前沿技术
(3)有开源AI项目贡献或相关领域公开技术输出者优先
工作职责
全栈性能评测体系设计与分析
(1)应用系统层评测：负责通用推理与大模型推理的评测框架设计、开发与优化，制定性能、精度及系统级评估标准
(2)微观内核层评测：主导面向算子的微观性能与功能评测体系设计
(3)训练性能评测：负责构建及优化训练场景的性能与效率评测方案
瓶颈诊断与优化牵头
(1)基于全面的测试结果，进行深度分析，精准定位瓶颈所在层级（框架、算子或硬件）
(2)牵头框架优化：针对框架级别的性能瓶颈，主导设计并推动优化项目的实施
(3)牵头算子优化：针对关键算子的性能瓶颈，主导或深度参与其重写、融合及底层优化工作，并推动其在框架中的集成与部署
自动化测试与效能平台建设
(1)推动构建集成CI的自动化测试与性能分析流水线，支持多硬件、多框架的自动化比对与回归测试
(2)建立性能数据追踪、分析与可视化体系，为优化决策与效果验证提供持续数据支持
技术协同与方案落地
(1)与硬件厂商、开发团队及业务方紧密协作，将测试结论与优化方案转化为可执行的技术任务
(2)负责推动优化方案落地，验证优化效果，并沉淀为标准实践、工具或代码贡献
优先资格
有MLPerf等基准测试工具深度使用经验，或具备自研测试平台/工具链实践经验者优先
有框架层性能调优或模块开发经验者优先
有算子级性能调优项目经验者优先
有开源AI项目贡献或相关领域公开技术输出者优先
AI 洞察
优缺点分析
优点
- 身处AI基础设施核心领域，技术价值高，行业前景广阔
- 中兴通讯平台资源丰富，有机会接触前沿AI芯片和大模型场景
- 工作内容涉及全栈，能大幅提升系统级能力和工程视野
- 对综合技术能力要求高，需同时掌握框架、算子、硬件等多个层面
- 性能优化往往需要长期投入，短期成就感可能较弱
- 需要与多个团队（硬件、算法、业务）紧密协作，沟通成本高
缺点 / 挑战
- 适合深耕系统性能、热爱技术挑战、具有全栈思维的资深AI工程师
角色解读
- 技术纵深发展：成为AI系统性能优化领域的顶尖专家，主导重大技术项目
- 横向拓展：参与硬件协同设计，成为连接算法、框架与硬件的关键角色
- 管理路径：可向技术管理者发展，带领性能优化团队
- 设计并开发AI系统全栈性能评测体系，包括应用层、算子层和训练场景的测试方案
- 基于测试结果进行深度瓶颈诊断，牵头框架级和算子级的性能优化
- 建设自动化测试与效能平台，推动CI集成和性能数据可视化
- 精通Python/C++，具备优秀的系统调试能力
- 深入理解PyTorch/TensorFlow等AI框架的内部机制，有框架层调优经验
- 熟悉CUDA编程模型，具备算子开发与内核优化能力
- 掌握计算机体系结构，能全栈定位性能瓶颈
申请策略
- 面试前准备一个完整的性能优化案例，从问题定位到方案落地
- 了解中兴通讯在AI基础设施方面的布局，展现对公司的兴趣
- 突出AI系统性能优化项目经历，尤其是框架或算子层的具体优化成果
- 展示MLPerf等基准测试工具的使用经验，或自研测试平台的建设经验
- 强调开源项目贡献或技术博客，体现技术影响力
- 深入学习PyTorch源码，理解框架内部机制和性能调优方法
- 熟悉CUDA编程和GPU架构，提升算子优化能力
- 积累大模型推理（如vLLM、TensorRT-LLM）的性能评测经验
面试指南
- STAR法则：描述背景、任务、行动、结果，重点突出技术方案和量化效果
- 从问题定位、分析工具、优化手段、验证方法四个维度系统回答
- 请描述一次你主导的AI系统性能优化经历，如何定位瓶颈并最终提升性能？
- PyTorch框架中，有哪些常见的性能瓶颈？你如何通过修改框架代码来优化？
- CUDA算子优化中，如何平衡精度与速度？请举例说明
- 设计一个针对大模型推理的评测方案，需要考虑哪些指标和影响因素？
- 如何构建一个高效的CI自动化测试流水线来持续监控性能回归？
- 系统复习计算机体系结构、GPU架构和CUDA优化技巧
职位点评
74
综合评分
AI系统性能优化顶尖岗位，技术前沿、薪资优厚，但工作强度较大，办公灵活度低。
更适合这类人
适合追求技术深度和前沿挑战、对薪资和稳定性有较高要求、能接受较高工作强度的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利
85较高
薪资偏高，上市公司福利完善（五险一金、年终奖等），稳定性高，补偿性动机满足度较好。
薪资信号偏高 (40K-70K/月)
成长发展
90较高
工作内容处于AI前沿技术栈（大模型、算子优化），技能成长空间大，有导师制和开源贡献机会，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、CUDA、大模型推理、MLPerf、CI、性能优化
业务类型profit_center
工作生活
50较低
仅现场办公，地点在上海市区，但未提及WLB或弹性工作，可能出现高强度加班，生活化动机满足度一般。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
负责AI基础设施性能优化，助力国产AI发展，具有一定社会价值，但JD未强调使命感，意义感满足度中等。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs